그래프 신경망 차수 편향 해결…국제 학술지 연구 등재
고차수·저차수 노드 불균형 해소…AI 분석의 공정성 향상

가톨릭대 전경.

가톨릭대학교는 이오준 인공지능학과 교수 연구팀이 그래프 신경망(GNN)에서 발생하는 '차수 편향(Degree Bias)' 문제를 효과적으로 해결할 수 있는 신기술을 개발했다고 7일 밝혔다.

이번 연구에는 네트워크과학 연구실 소속 황반튀 박사과정생과 차세대수치예보모델개발사업단(KIAPS) 전현주 연구원이 공동 참여했다.

그래프 신경망은 소셜 네트워크, 교통망, 분자 구조 등 복잡한 데이터 구조를 분석하는 인공지능(AI) 기술이다. 하지만 실제 데이터에서는 노드(점)마다 연결 수, 즉 차수가 크게 달라 연결이 많은 고차수 노드에 정보가 집중되고, 연결이 적은 저차수 노드는 정보가 부족해지는 '차수 편향' 문제가 빈번하게 발생한다. 이로 인해 AI 분석 결과의 공정성과 정확성이 저해되는 한계가 있었다.

연구팀은 이런 한계를 극복하기 위해 차수 공정성 그래프 변환기(DegFairGT) 모델을 제안했다. 이 모델은 학습 가능한 구조적 증강과 구조적 자기 어텐션 메커니즘을 활용해 연결이 적은 저차수 노드에도 추가 메시지를 전달하고 불필요한 연결을 줄여 고차수 노드의 정보 과잉을 완화한다.

이는 비슷한 역할을 하는 노드끼리 구조적 유사성을 학습해 기존 연결 관계를 유지하면서도 저차수 노드의 과소표현과 고차수 노드의 과대표현 문제를 동시에 해결한다.

실험 결과 DegFairGT는 6개 실제 데이터셋에서 기존 최첨단 방식 대비 △차수 편향 완화 △노드 분류 △군집화 등 모든 성능 지표에서 뛰어난 결과를 기록했다. 이를 통해 그래프 신경망의 분석 성능을 균형 있게 높일 수 있음을 입증했다.

이오준 교수는 “차수 편향은 대부분의 실세계 그래프 데이터에서 공통적으로 나타나는 주요 과제”라며 “이번 연구는 그래프 신경망 기술의 보급과 상용화에 크게 기여할 것으로 기대된다”고 말했다.

연구 결과는 네트워크 과학 분야 최고 권위의 국제학술지 'IEEE Transactions on Network Science and Engineering'에 게재됐다.

부천=김동성 기자 estar@etnews.com

Copyright © 전자신문. 무단전재 및 재배포 금지.